في عالم اليوم، حيث تهيمن البيانات على كل شيء، يوفر البحث الجديد المفتاح نحو أتمتة عملية تعلم الآلة (Machine Learning) من خلال تطوير بنية متعددة الوكلاء. تهدف هذه الدراسة إلى خلق نظام موحد يمكنه إنشاء أنابيب تعلم الآلة من البداية إلى النهاية استنادًا إلى بيانات الإدخال والأهداف المكتوبة بلغة طبيعية (Natural Language).

يتضمن النظام المقترح مجموعة من خمسة وكلاء، كل منهم يحمل مهمة محددة، تشمل تحليل البيانات، فهم النوايا، التوصية بالخدمات الصغيرة، بناء الرسوم البيانية الموجهة غير الدائرية (Directed Acyclic Graph - DAG)، والتنفيذ. يعتمد النظام على تقنية التعزيز المستند إلى التعليمات البرمجية (Code-grounded Retrieval-Augmented Generation - RAG) لفهم الخدمات الصغيرة، مما يمنح عمليات التوصية مرونة ودقة أكبر.

ما هو جديد في هذا النظام هو آلية الإصلاح الذاتي، التي تعتمد على نماذج لغوية كبيرة (Large Language Models - LLM) لتحليل الأخطاء والتعلم التكيفي من سجلات التنفيذ. هذا يضمن تحسين الكفاءة وتقليل زمن تطوير سير العمل مقارنة بالطريقة اليدوية التقليدية.

تم تقييم النظام على 150 مهمة تعلم آلي عبر سيناريوهات متنوعة، حيث حقق معدل نجاح مذهل يبلغ 84.7% في توليد الأنابيب، متفوقاً على الطرق التقليدية. تشير النتائج إلى أن التركيب الوثيق للمكونات الذكية يمكن أن يوفر أداءً أفضل بكثير من الحلول المعزولة.

في ضوء هذه التطورات، يتوقف الأمر على قدرات الذكاء الاصطناعي في تحسين أساليبنا وأدواتنا في التعامل مع المعرفة المقدمة من خلال البيانات. هل أنتم مستعدون لاستكشاف مستقبل الذكاء الاصطناعي الذي يتيح لنا هذا الابتكار؟